（原标题：AI想象芯片？言之过早！）

如若您但愿不错通常碰头，迎接标星储藏哦~

开端：内容编译自IEEE，谢谢。

自1971 年Federico Faggin仅用直尺和彩色铅笔绘制出第一款商用微处理器Intel 4004以来，芯片想象仍是取得了长足的进取。如今的想象师领有大都软件器具来策动和测试新的集成电路。但跟着芯片变得很是复杂（有些芯片包含数千亿个晶体管），想象师必须处置的问题也随之增多。而这些器具并不老是能胜任这项任务。

现代芯片工程是一个由九个阶段构成的迭代经由，从系统标准到封装。每个阶段都有几个子阶段，每个阶段可能需要数周详数月的时辰，具体取决于问题的范围过甚不竭。很多想象问题在 10100到101000 种可能性中惟有少数几个可行处置决议——如若有的话，这就像大海捞针。咫尺使用的自动化器具宽泛无法处置这种范围的执行问题，这意味着必须由东谈主类介入，这使得该经由比芯片制造商所但愿的愈加劳作和耗时。

绝不奇怪，东谈主们对使用机器学习来加快芯片想象的意思意思日益浓厚 。然则，正如英特尔东谈主工智能实验室的团队所发现的那样，机器学习算法自己往往是不够的，特等是在处理必须餍足的多个不竭时。

事实上，咱们最近尝试开采一种基于东谈主工智能的处置决议来处置一项毒手的想象任务，即布局策动（稍后会详备先容这项任务），这让咱们开采出了一种基于非东谈主工智能方法（如传统搜索）的更为得手的器具。这标明该鸿沟不应过早湮灭传统本事。咱们现在折服，王人集两种方法优点的混杂方法，天然咫尺是一个尚未得到充分探索的计算鸿沟，但将被阐明是最阔气告成的前进谈路。原因如下。

东谈主工智能算法的危机

芯片想象中最大的瓶颈之一出现在物空想象阶段，即在细目架构、想象逻辑和电路之后。物空想象波及对芯片布局和联络进行几何优化。第一步是将芯片隔离为高档功能块，举例 CPU 内核、内存块等。然后，这些大分区被细分为较小的分区，称为宏和尺度单位。一个普通的片上系统 (SoC) 有大要 100 个高档块，由数百到数千个宏和数千到数十万个尺度单位构成。

接下来是布局策动，其中功能块的罗列是为了餍足某些想象指标，包括高性能、低功耗和老本效益。这些指标宽泛通过最小化线长（联络电路元件的纳米线的总长度）和空缺区域（未被电路占用的芯片总面积）来完了。此类布局策动问题属于数学编程的一个分支，称为组合优化（combinatorial optimization）。如若您也曾玩过俄罗斯方块，那么您就处置了一个绝顶简便的组合优化难题。

芯片布局策动就像是强化版的俄罗斯方块。起始，可能的处置决议数目可能大到天文数字——如实如斯。在典型的 SoC 布局策动中，罗列 120 个高档块的可能方法大要有 10250种；比较之下，六合中臆测有 1024 个恒星。宏和尺度单位的可能罗列数目则要大几个数目级。

给定一个指标（举例将功能块压缩到尽可能小的硅单方面积中），商用布局策动器具不错在几分钟内处置如斯范围的问题。然则，迎濒临多个指标和不竭时，它们就会堕入窘境，举例对于某些块必须放在那儿、它们何如成形或哪些块必须放在一谈的法则。因此，东谈主类想象师宽泛诉诸反复磨练和我方的理智颖悟，将坐褥蓄意延迟数小时致使数天。而这还仅仅针对一个子阶段而言。

尽管昔日十年机器学习取得了浩瀚得手，但迄今为止它对芯片想象的影响相对较小。Nvidia 等公司仍是开动老师大型言语模子(LLM)（复古 Copilot 和 ChatGPT 等劳动的 AI 时势），以编写硬件想象法子剧本并分析不实。但这些编码任务与处置布局策动等毒手的优化问题相去甚远。

乍一看，将 transformer（LLM的基础）也用于物空想象问题可能也很诱东谈主。表面上，咱们不错通过老师transformer来按要领预测芯片上每个块的物理坐标，从而创建基于 AI 的布局策动器，雷同于 AI 聊天机器东谈主按要领预测句子中的单词的神气。但是，如若咱们试图教模子将块搁置在不重迭的位置，咱们很快就会碰到费事。天然对于东谈主类来说很容易理会，但对于规划机来说，学习这个成见并阻挡易，因此需要大都的老师数据和时辰。对于进一步的想象不竭亦然如斯，举例将块搁置在一谈或围聚某个旯旮的条款。

因此，咱们采用了不同的方法。咱们的首要任务是选拔一种有用的数据结构来传达平面图中块的位置。咱们选拔了所谓的B*-tree。在这个结构中，每个块都暗示为二叉树上的一个节点。平面图左下角的块成为根。右侧的块成为一个分支；顶部的块成为另一个分支。每个新节点都延续此模式。因此，跟着树的增长，它会在向右和朝上扇形扩张时封装平面图。

B*-tree结构的一大上风是它保证了无重迭的布局策动，因为块位置是相对的而不是完好意思的——举例，“在另一个块上方”而不是“在这个位置”。因此，AI 布局策动器不需要预测它搁置的每个块竟然凿坐标。违反，它不错字据块的尺寸以过甚关系邻居的坐标和尺寸厉害规划它们。瞧——莫得重迭。

有了数据结构后，咱们在包含数百万个最优布局策动的数据集上老师了几种机器学习模子，具体来说，是图神经相聚、扩散模子和基于transformer的模子。这些模子学会了预测搁置在先前搁置的块上方或右侧的最好块，以生成针对面积和线前程行了优化的布局策动。但咱们很酣畅志到这种轮番渐进的方法是行欠亨的。咱们将布局策动问题扩张到大要 100 个块，并在无重迭法则之外添加了硬不竭。这些包括条款将一些块搁置在预定位置（如旯旮）或对分享消亡电压源的块进行分组。然则，咱们的AI 模子奢靡了时辰追求次优处置决议。

咱们推测，问题在于模子无法回溯：由于它们按要领搁置积木，因此无法追忆之前的不实搁置。咱们不错使用强化学习代理等本事来绕过这个阻滞，但这种代理老师一个好的模子所需的探索量是不切执行的。在堕入死巷子后，咱们决定湮灭逐块决策，尝试一种新方法。

回首芯片想象传统

处置大范围组合优化问题的一种常用方法是使用一种称为模拟退火(SA：simulated annealing) 的搜索本事 。模拟退火于 1983 年头度提议，其灵感来自冶金学，其中退火是指将金属加热到高温然后冷静冷却的经由。通过限定能量的减少，原子不错有序罗列，使材料比快速冷却时更坚固、更柔韧。以雷同的神气，模拟退火不错冉冉找到优化问题的最平正置决议，而无需繁琐地查验每种可能性。

它的责任旨趣如下。算法从未必处置决议开动 — 就咱们的主见而言，未必布局策动暗示为 B*tree。然后，咱们允许算法采用以下三种操作之一，相似是未必的：它不错交换两个块、将一个块从一个位置挪动到另一个位置，或者调理一个块的宽高比（不转换其面积）。咱们通过对总面积和线长取加权平均值来判断最终布局策动的质料。这个数字刻画了操作的“老本”。

如若新的布局更好（即它假造了老本），咱们就会接受它。如若它更糟，咱们起始也会接受它，因为咱们知谈一些“坏”决定可能会朝着好的标的发展。然则，跟着时辰的推移，跟着算法赓续未必调理块，咱们接受增多老本的操作的频率会越来越低。就像在金属加工中一样，咱们但愿冉冉完了这种升沉。就像过快冷却金属会使其原子堕入无序罗列一样，过早限制算法的探索会使其堕入次优处置决议，即局部最小值。通过给算法填塞的回旋余步来尽早避让这些罗网，咱们不错迷惑它走向咱们确凿想要的处置决议：全局最小值（或它的细密近似值）。

比较使用任何机器学习模子，咱们愚弄 SA 处置布局策动问题的得手率要高得多。由于 SA 算法莫得布局要领的成见，因此它不错随时转换任何块，骨子上允许算法改进先前的不实。咱们发现，在莫得限制的情况下，它不错在几分钟内处置包含数百个块的复杂布局策动。比较之下，使用生意器具的芯片想象师需要数小时智力处置相似的难题。

天然，现实宇宙的想象问题有限制。因此，咱们为 SA 算法提供了一些与机器学习模子调换的限制，包括对某些块的搁置位置和分组神气的限制。咱们起始尝试通过将布局违反这些限制的次数添加到咱们的老本函数中来处置这些硬不竭。现在，当算法进行未必块转换以增多不竭违反时，咱们会以更高的概率拒却这些操作，从而指令模子幸免这些操作。

但糟糕的是，这种战略避人耳目。在老本函数中包含不竭意味着算法将尝试在餍足不竭和优化面积和线长之间找到均衡。但字据界说，硬不竭是不可和谐的。然则，当咱们增多不竭变量的权重来解释这种刚性时，算法在优化方面阐扬欠安。模子莫得奋勉确立导致全局最小值（最好布局策动）的违法举止，而是反复导致模子无法开脱的局部最小值（次优布局策动）。

鼓舞机器学习的发展

回到绘制板上，咱们构想了 SA 的新变化，咱们称之为不竭感知 SA (CA-SA)。此变体摄取两个算法模块。第一个是 SA 模块，它专注于 SA 最擅长的鸿沟：优化面积和线长。第二个模块会未必挑选一个不竭违法并进行确立。此确立模块很少启动（大要每 10,000 次操作启动一次），但启动时，其决定长期会被接受，无论对面积和线长的影响何如。因此，咱们不错指点咱们的 CA-SA 算法找到餍足严格不竭的处置决议，而不会对其形成阻挡。

愚弄这种方法，咱们开采了一个开源布局策动器具，不错同期运行 CA-SA 的多个迭代。咱们将其称为 具有不竭意志的并行模拟退火，简称 Parsac。东谈主类想象师不错从 Parsac 的最平正置决议中进行选拔。当咱们在多达 300 个块的流行布局策动基准上测试 Parsac 时，它厉害打败了通盘其他已发布的公式，包括其他基于 SA 的算法和机器学习模子。

然则，这些既定的基准测试已有 20 多年历史，无法反应现代 SoC 想象。它们的主要污点是缺少硬不竭。为明晰解 Parsac 在更现实的想象上的阐扬，咱们在基准测试问题中添加了我方的不竭，包括相关块搁置和分组的法则。令咱们答应的是，Parsac 在不到 15 分钟的时辰内得手处置了生意范围（约 100 个块）的高档布局策动问题，使其成为同类中速率最快的布局策动器。

咱们现在正在开采另一种基于几何搜索的非 AI 本事，用于处理具有怪模怪样块的布局策动，从而更潜入地了解现实宇宙的情况。不法则布局太复杂，无法用 B* tree暗示，因此咱们回到了要领块搁置。早期效果标明，这种新方法致使可能比 Parsac 更快，但由于无回溯问题，处置决议可能不是最好的。

与此同期，咱们正在奋勉让 Parsac 符合宏不雅布局，这比块布局策动更雅致一个档次，这意味着它不错从数百个元素扩张到数千个元素，同期仍然遵循不竭。CA-SA 自己可能太慢，无法有用处置这种范围和复杂性的问题，而这恰是机器学习不错提供匡助的地点。

举例，给定一个 SA 生成的布局策动图，咱们不错老师一个 AI 模子来预测哪些操作将改善布局的质料。然后，咱们不错使用该模子来带领咱们的 CA-SA 算法的决策。该算法不会只采用未必或“愚蠢”的操作（同期符合不竭），而是会以一定的概率接受模子的“智能”操作。咱们推断，通过与 AI 模子配合，Parsac 不错大幅减少寻找最平正置决议所需的操作数目，从而裁汰其运行时辰。然则，允许一些未必操作仍然至关紧要，因为它使算法好像充分探索问题。不然，它很容易堕入次优罗网，就像咱们失败的基于 AI 的布局策动器一样。

除了布局策动之外，这种方法或雷同方法还可用于处置其他复杂的组合优化问题。在芯片想象中，此类问题包括优化内核内互连的布线和布尔电路最小化，其中的挑战是构建一个具有最少门和输入的电路来履行某个功能。

需要新的基准

咱们在 Parsac 的警戒也激励咱们创建 样本布局图的通达数据集，咱们但愿这些数据集将成为该鸿沟的新基准。跟着计算东谈主员寻求考据新的芯片想象器具，对此类现代基准的需求日益进击。举例，最近的计算宣称基于旧基准或特有布局的新式机器学习算法的性能，这激发了东谈主们对这些说法的正当性的质疑。

咱们发布了两个数据集，分一名为 FloorSet-Lite 和 FloorSet-Prime，现在可在 GitHub上赢得。每个数据集包含 100 万个用于老师机器学习模子的布局和 100 个针对面积和线前程行优化的测试布局。咱们想象这些布局是为了捕捉现代 SoC 布局的全部广度和复杂性。它们的范围从 20 到 120 个块，并包括执行的想象不竭。

这两个数据集的复杂进程不同。FloorSet-Lite 使用矩形块，反应了早期想象阶段，此时块宽泛设立成简便的时势。另一方面，FloorSet-Prime 使用不法则块，这在想象经由的后期更常见。此时，块内宏、尺度单位和其他组件的搁置仍是得到改进，从而形成了非矩形块时势。

天然这些数据集是东谈主工的，但咱们照旧留心肠融入了商用芯片的特征。为此，咱们创建了布局策动属性的详备统计散播，举例块尺寸和不竭类型。然后，咱们从这些散播中抽样，以创建模拟真实芯片布局的合成布局策动。

如斯强盛的通达式存储库不错大大促进机器学习在芯片想象中的应用。然则，咱们不太可能看到完全基于东谈主工智能的处置决议来处置布局策动等毒手的优化问题。深度学习模子在对象识别和言语生成等任务中占据主导地位，因为它们绝顶擅长捕捉老师数据中的统计限定，并将这些模式与盼愿的输出关联起来。但这种方法不适用于复杂的组合优化问题，因为这些问题需要模式识别除外的本事智力处置。

违反，咱们预测混划算法将成为最终的赢家。通过学习识别最有但愿探索的处置决议类型，AI 模子不错智能地指点像 Parsac 这么的搜索代理，使其愈加高效。芯片想象师不错更快地处置问题，从而创造出更复杂、更节能的芯片。他们致使不错将多个想象阶段组合成一个优化问题，或者同期进行多个想象。AI 可能无法完全独随即创建芯片，致使无法处置单个想象阶段。但当与其他立异方法相王人集时，它将转换该鸿沟的样式。

https://spectrum.ieee.org/chip-design-ai

半导体极品公众号保举

专注半导体鸿沟更多原创内容

关心群众半导体产业动向与趋势

*免责声明：本文由作家原创。著作内容系作家个东谈主不雅点，半导体行业不雅察转载仅为了传达一种不同的不雅点，不代表半导体行业不雅察对该不雅点赞同或复古，如若有任何异议，迎接筹议半导体行业不雅察。

今天是《半导体行业不雅察》为您分享的第3954期内容，迎接关心。

『半导体第一垂直媒体』

及时 专科 原创 深度

公众号ID：icbank

可爱咱们的内容就点“在看”分享给小伙伴哦